Seriesdetiempopp 100519162701 Phpapp02

UNIVERSIDAD VERACRUZANA
SERIES DE TIEMPO
. Equipo 7 Integrantes:
Alfaro Zabala Graciela Cortz Zavala Yajaira Escudero Recillas Sara Lizbeth Garcs barrios Liliana Janet Gernimo Domnguez Karina Portilla Romero N. Melina Saucedo Garca Jess Manuel Gonzlez Resendiz Carlos Eduardo
ESTADISTICA INFERENCIAL
DEFINICION Se llama Series de Tiempo a un conjunto de observaciones sobre valores que toma una variable (cuantitativa) en diferentes momentos del tiempo.
UTILIDAD Hoy en da diversas organizaciones requieren conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prevenir,es decir, se utilizan para predecir lo que ocurrir con una variable en el futuro a partir del comportamiento de esa variable en el pasado.
APLICACIONES
En las organizaciones es de mucha utilidad en predicciones a corto y mediano plazo, por ejemplo ver que ocurrira con la demanda de un cierto producto, las ventas a futuro, decisiones sobre inventario, insumos, etc....
No as para el diseo de un proceso productivo ya que no se disponen de datos histricos y se trata de un proyecto a largo plazo
SELECCIN DE UN MODELO
1. 2. 3. 4. 5.
El horizonte de tiempo para realizar la proyeccin. La disponibilidad de los datos. La exactitud requerida. El tamao del presupuesto de proyeccin. La disponibilidad de personal calificado.
MODELOS DE SERIES DE TIEMPO

Mtodo de proyeccin Ajuste exponencial simple Ajuste exponencial de Holt Ajuste exponencial de Winter Cantidad de datos histricos 5 a 10 observaciones para fijar la ponderacin 10 a 15 observaciones para fijar la ponderacin Por lo menos 4 5 observaciones por trimestre 10 a 20 observaciones para la estacionalidad, por lo menos 5 por trimestre 10 observaciones por variable independiente Suficiente para ver 2 picos y simas Patrn de los datos Los datos deben ser estacionarios Tendencias pero no estacionalidad Tendencias y estacionalidad Horizonte de proyeccin Corto Tiempo de preparacin Corto Antecedentes del personal Poca sofisticacin Ligera sofisticacin Sofisticacin moderada
Corto a mediano
Corto
Corto a mediano
Corto
Modelos de la tendencia de regresin
Tendencias y estacionalidad
Corto a mediano
Corto Largo tiempo para el desarrollo , corto para la puesta en ejecucin Corto tiempo para la moderacin Largo
Sofisticacin moderada
Modelos de regresin causal Descomposicin de las series de tiempo
Puede manejar patrones complejos Maneja patrones cclicos y estacionales puede identificar los puntos crticos Deben ser estacionarios o ser transformados en estacionarios
Corto , mediano o largo
Sofisticacin considerable
Corto a mediano
Poca sofisticacin
Box Jenkins
50 o mas observaciones
Corto , mediano o largo
Alta sofisticacin
COMPORTAMIENTO DE LOS DATOS
Los datos se pueden comportar de diferentes formas a travs del tiempo, puede que se presente una tendencia, un ciclo; no tener una forma definida o aleatoria, variaciones estacionales (anual, semestral, etc).
DESCOMPOSICION DE LOS DATOS DE SERIES DE TIEMPO
TENDENCIA
ESTACIONALIDAD Se dice que una serie de tiempo es estacionaria cuando el valor de su media, varianza y covarianza no varan Sistemticamente en el tiempo.
SUAVIZANDO UNA SERIE DE TIEMPO Cuando se analizan datos en donde los movimientos de la tendencia en la serie se ven confusos las variaciones de un ao a otro, y no es fcil darse cuenta de si realmente existe en la serie algn efecto de la tendencia hacia arriba o hacia abajo.
METODOS DE PREDICCION Los mtodos mas utilizados en las series temporales son: Promedio mvil Suavizacin Exponencial Box - Jenkins
PROMEDIO MOVIL Es el mtodo de prediccin mas simple, donde se selecciona un numero dado de periodos N, y se obtiene la media o promedio de la variable para los N periodos, permitiendo que el promedio se mueva conforme se observan los nuevos datos de la variable en cuestin.
EJEMPLO
Periodo
Demanda Dt
Promedio movil, At
Pronostico N=3, Ft
Error Dt-Ft
1 2 3 4
10 18 29 15 19 20.7 19 - 4.0
5
6 7
30
12 16
24.7
19 16
20.7
24.7 19
9.3
- 12.7 - 3.0
FORMULA
A t = D1+ D t-1 + ......+ D t-(N+1) N A t = F t+1.....Con t=7, N=3 F 8 = (10 + 18 + 29) 3
Grafico de una Serie de Tiempo
Mientras
mas largo sea el periodo en que se hace el promedio, mas lenta es la respuesta ante los cambios a la demanda
Suavizacin Exponencial
Se basa en la idea de que es posible calcular un promedio nuevo a partir de un promedio anterior y tambin del ultimo dato observado.
At = D t + (1-) F t
At = Dt + (1-) At-1 0<<1
EJEMPLO
Periodo
Demanda Dt
Pronostico= 0.1, Ft
Error Dt-Ft
1 2 3 4 5 6 7
10 18 29 15 30 12 16
15 14.5 14.85 16.26 16.14 17.62 16.97
-5.0 3.5 14.15 -1.26 13.86 -5.52 -0.97
formula At = D t + (1-) F t
Para el periodo t+1, tenemos: A8 = 0.1 (10)+ (10.1) 15 A8 = 14.5
es la proporcion del peso que se da a la demanda nueva contra la que se da al promedio anterior. Es decir, mientras mas grande es el valor de mas nos acercamos al valor de la demanda que se acaba de observar.....se le da mayor peso a las observaciones recientes que al promedio anterior.
GRAFICO
40
30
20
10 DEMAN DA Fit f or DEMAN DA f rom 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 EXSMOOTH , MOD_ 4 N N
Seq uen ce n um b er
BOX Y JENKIINS Box y Jenkins han desarrollado modelos estadsticos que tienen en cuenta la dependencia existente entre los datos.
Cada observacin en un momento dado es modelada en funcin de los valores anteriores.

Se modela a travs de ARIMA (Autorregresive Integrate Moving Average). METODOLOGIA Tiene solamente en cuenta la pauta de serie serie de tiempo en el pasado. Ignora la informacin de variables causales. Procedimiento tcnicamente sofisticado de prediccin de una variable. Utiliza la observacin ms reciente como valor inicial. Permite examinar el modelo ms adecuado
ELECCION DEL MODELO Existen tres tipos bsicos de modelos a ser examinados Modelos autorregresivos (AR). Modelos de medias mviles (MA) Modelos mixtos autorregresivos-medias mviles (ARIMA)
MODELO AUTORREGRESIVO AR(p) Describe una clase particular de proceso en que las observaciones en un momento dado son predecibles a partir de las observaciones previas del proceso mas un termino de error.,el caso mas simple ARIMA (1,0,0) o AR(1). Yt = 1 Yt-1 + at MODELOS DE MEDIAS MOVILES MA(q) Tambin describe una serie de tiempo estacionaria.En este modelo el valor actual puede predecirse a partir de las componentes aleatorias de este momento y, en menor medida los impulsos aleatorios anteriores. ARIMA (0,0,1) o MA (1) Yt = at - V1 at-1
ARIMA Es un modelo que permite describir un valor como una funcion lineal de datos como una funcion lineal de datos anteriores y errores debidos al azar. Se analiza sobre una serie estacionaria y se necesitan como minimo 50 datos.
Autocorrelacion simple (ACF)
La autocorrelacin muestra la asociacin entre valores de la misma variable en diferentes periodos de tiempo(no aleatoria).
EJEMPLO GRAFICO
DEMANDA
1. 0
.5
0. 0
-.5 Conf idence Limit s
ACF
-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13
Coef f icient
La g Num ber
Funcin de auto correlacin
Para ver si la serie es o no estacionaria veamos el correlograma. Observamos que decrece lentamente, por lo que podemos decir que no hay estacionalidad (cuando el decrecimiento es ms rpido la serie es estacionaria). Aplicamos un modelo en el que hay que diferenciar la serie y obtenemos el grfico de la serie despus de haber hecho una diferenciacin no estacional.Se observa que la serie se ha estabilizado
GRAFICA Funcin de auto correlacin
En el correlograma estimado con una diferenciacin no estacional ya no aparece el decrecimiento. Los valores que se salen fuera de las bandas son significativamente distintos de cero, pero simplemente por azar un 5% se sale fuera.
Vemos como corresponde a un modelo de medias mviles de orden uno en que no sabemos si tendr termino constante.Se trata de un modelo ARIMA(0,1,1).
La serie no tiene un nivel constante, se observa una tendencia creciente. Se ve claramente en el grfico que hay una componente estacional. La amplitud de las oscilaciones crece con la tendencia.

Seriesdetiempopp 100519162701 Phpapp02

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Seriesdetiempopp 100519162701 Phpapp02

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD VERACRUZANA

MODELOS DE SERIES DE TIEMPO

Modelos de la tendencia de regresin

Modelos de regresin causal Descomposicin de las series de tiempo

Corto , mediano o largo

Corto , mediano o largo

COMPORTAMIENTO DE LOS DATOS

DESCOMPOSICION DE LOS DATOS DE SERIES DE TIEMPO

A t = D1+ D t-1 + ......+ D t-(N+1) N A t = F t+1.....Con t=7, N=3 F 8 = (10 + 18 + 29) 3

Grafico de una Serie de Tiempo

15 14.5 14.85 16.26 16.14 17.62 16.97

-5.0 3.5 14.15 -1.26 13.86 -5.52 -0.97

Para el periodo t+1, tenemos: A8 = 0.1 (10)+ (10.1) 15 A8 = 14.5

10 DEMAN DA Fit f or DEMAN DA f rom 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 EXSMOOTH , MOD_ 4 N N

Cada observacin en un momento dado es modelada en funcin de los valores anteriores.

-.5 Conf idence Limit s

Funcin de auto correlacin

También podría gustarte